随着我国电力行业的高速发展以及智能电网建设的推进,电能已经成为人民日常生活工作中不可或缺的能源。各种分布式电源的接入和微网的并网运行,使电力系统的复杂程度急剧上升,也使系统负荷的随机性和非线性大大增加,对电力系统负荷预测的准确度和稳定性提出了严峻的挑战。电力系统短期负荷预测是一项繁琐复杂的课题,其影响因素种类繁多,预测方法也层出不穷。本文通过研究国内外学者的优秀研究成果,分析了影响预测结果的因素,并对神经网络的原理进行了详细的阐述。针对传统神经网络预测精度低下的问题,本文将脊波神经网络应用到短期负荷预测领域中,并取得了不错的预测效果。但对于波动随机性较大的负荷来说,常规脊波神经网络具有很大的局限性,预测稳定性较差。由此,本文将常规脊波神经网络进行了改进,提出一种基于脊波递归神经网络的短期负荷预测模型。在常规脊波神经网络模型中引入承接层,以此来存储网络隐含层神经元内部当前时刻的状态信息,并在下一时刻传递给隐含层自身,进而增强了网络模型的反馈连接。采用脊波变换函数作为隐含层神经元内部的激励函数,增强了网络模型对于非线性负荷的优化处理能力。最后采用粒子群优化算法对脊波参数和连接权值进行优化,增强了网络模型快速寻优的能力。算例仿真验证了该模型具有较好的预测精度。本文利用脊波变换函数的各向异性和深度神经网络强大的学习能力,对网络模型的架构进行了改进,提出了一种含有多层隐含层的深度脊波神经网络预测模型。采用受限的玻尔兹曼机学习原理对网络模型进行无监督的逐层预训练,再采用粒子群优化算法对脊波参数和连接权值、阈值进行双重优化精调,强化了网络的训练速度和寻优能力。经算例仿真测试,相比于传统BP神经网络、脊波神经网络和深度神经网络,深度脊波神经网络预测模型具有更高的预测精度和预测稳定性。在上述研究的基础上,本文对网络模型的架构进一步改进,构造了一种深度脊波递归神经网络预测模型。将脊波递归神经网络中的承接层引入到受限的玻尔兹曼机中,即在包含可见层和隐含层的玻尔兹曼机结构的基础上,增加承接层以存储和反馈前一时刻的隐含层输出,增强了网络的动态特性;并采用受限的玻尔兹曼机学习原理和粒子群算法对网络进行双重优化,经实际数据仿真预测,证实了该模型相比于脊波递归神经网络和深度脊波神经网络具有更强的预测性能。